5.1 概述. 2 5.1.1 什么是分类.2 5.1.2 分类的一般步骤.3 5.2 Rocchio 方法. 4 5.3 k-近邻法. 5 5.4 决策树方法. 6 5.4.1 决策树的概念.6 5.4.2 属性选择度量.6 5.4.3 决策树的常用算法.10 5.5 贝叶斯方法. 11 5.5.1 贝叶斯原理.11 5.5.2 朴素贝叶斯分类.11 5.6 分类结果评估. 13 5.6.1 常用评估度量.13 5.6.2 文本分类的评估.14 5.7 自动分类的案例与软件操作. 15 5.7.1 决策树案例（SPSS Modeler） .15 5.7.2 决策树案例（R 语言）.19

《专业导论》 《认识实习》 《高等数学》 《线性代数及其应用》 《国民经济统计学》 《随机过程》 《运筹学》 《实用回归分析》 《应用计算软件（SPSS）》 《概率论》 《企业经营统计》 《应用时间序列分析》 《非参数统计》 《实用统计软件（R 语言）》 《抽样技术与应用》 《应用多元统计分析》 《大数据技术》 《Python 语言与数据挖掘》 《探索性数据分析》 《数据可视化》 《统计推断》 《统计建模》 《装备制造企业统计学》 《统计专业英语》 《社会统计与社会调查方法》 《空间数据分析》 《数理统计》 《毕业实习》 《毕业设计（论文）》

• 多层分布式体系结构 • 中间件技术 • 构件技术 • XML • Web服务 • 数据仓库 • 数据挖掘 • 工作流技术 • 视频会议

5.1数据库与数据库管理系统 5.2数据库应用系统开发 5.3数据模型 5.4数据库设计 5.5数据仓库与数据挖掘 5.6分布式数据库 5.7结构化查询语言SQL

15.1 概述 15.2 数据挖掘和数据中心库 15.3 数据仓库的支持工具 15.4 数据仓库的实现步骤 15.5 数据的粒度、分割和元数据 15.6 本章小结

通过构建基于大数据的城市多模式交通系统协同优化平台,能够有效整合跨部门、跨区域的交通大数据资源,并充分挖掘海量数据中蕴含的价值信息,突破综合交通大数据应用关键技术,对未来城市多模式交通系统的规划、运营及管理提供有力的支持与支撑致力于在城市群综合交通大数据应用技术方向取得创新性成果,推动大数据与智能交通系统的融合,培育交通大数据产业

由于时间序列数据具有高维度、动态性等特点,这就导致传统的数据挖掘技术很难有效的对其进行处理,为此,提出了一种基于多维时间序列形态特征的相似性动态聚类算法(similarity dynamical clustering algorithm based on multidimensionalshape features for time series,SDCTS).首先,提取多维时间序列的特征点以实现降维,然后,根据多维时间序列的斜率、长度和幅值变化的形态特征定义了一种新的时间序列相似性度量标准,进而提出无需人为给定聚类个数的多维时间序列动态聚类算法.实验结果表明,与其他算法相比,此算法对时间序列具有良好的聚类效果

◼ 13.1 从数据库到数据仓库 ◼ 13.2 数据仓库的结构 ◼ 13.3 数据仓库的设计 ◼ 13.4 OLAP与数据仓库 ◼ 13.5 数据挖掘（data mining，DM） ◼ 13.6 决策支持系统与数据仓库 ◼ 13.7 SQL Server 2000的数据仓库 ◼ 13.8 小结 ◼ 13.9 习题

什么是大数据 ■概念/技术支持/大数据的来源 大数据的关键技术 采集技术/存储与管理技术 计算模式与系统/数据分析与挖掘技术 ■隐私安全 典型案例 ■环境云/百度迁徙/新浪舆情通/阿里云数加 我们的探索 ■网络监控分析/系统日志分析/教育评价分析

一、明确基于特征、案例维归约与技术归约的区别。 二、解释数据挖掘过程的预处理阶段中进行数据归约的优点。 三、应用相应的统计方法,理解特征选择和特征 构成的基本原则。 四、理解特征等级主成分分析方法。 五、区别基于增量和平均样本的案例中的技术